Electrical - Electronic Engineering / Elektrik - Elektronik Mühendisliği
Permanent URI for this collectionhttps://hdl.handle.net/11147/11
Browse
Search Results
Conference Object Ampute Elektromiyografi Sinyallerinin Evrişimli Sinir Ağları Kullanılarak Sınıflandırılması(IEEE, 2020) Onay, Fatih; Mert, AhmetThe classification of EMG signals for the amputees is important to develop a powered-prosthetic that is capable of replacing with lost limbs. The EMG signals collected from residual limbs reduce the classification accuracy due to muscle movements that cannot be realized properly. In this study, classification performance is aimed to be increased by combining CNN with root mean square (RMS) and waveform length (WL) that are used in analysis of EMG signals successfully. The features such as RMS and WL extracted from EMG signals for the classification of six hand movements at the low, medium, and high force levels were applied to CNN input, and classification results were compared with nearest neighbour and linear discriminant analysis.Article Değişken Kuvvetli Emg Sinyallerinin Çok Değişkenli Görgül Kip Ayrışımı ile Analizi ve Sınıflandırılması(Marmara Üniversitesi, 2020) Onay, Fatih; Mert, AhmetElektromiyografi (EMG) sinyalleri, insan-makine etkileşimli akıllı el protezlerinin kontrolünde önemli bir rol oynamaktadır. Kas aktivesinin bir sonucu olarak ortaya çıkan EMG sinyalleri, yapılan aktiviteye dair özel bilgileri kendi içerisinde ihtiva etmektedir. Dolayısıyla akıllı el protezlerinin işlevselliğinin arttırılması, kas bölgesinden toplanan EMG sinyalinin doğru bir şekilde analiz edilip yorumlanmasına önemli ölçüde bağlıdır. Bu konsepte uygun olarak, akıllı el protezi hareketlerinin karar verme sürecinde, EMG sinyallerinin güvenilir bir şekilde kullanılabilmesi için, var olan yöntemlerin geliştirilmesi ya da bu yöntemlere üstünlük sağlayacak yeni yöntemler önerilmesi gerekmektedir. Bu çalışma kapsamında, çok kanallı EMG sinyallerinin analizinin geliştirilmesi amacıyla, çok değişkenli görgül kip ayrışımı (ÇDGKA) tabanlı öznitelik çıkarma yöntemi, geleneksel metotlara alternatif olarak sunulmuştur. Sinyali adaptif olarak salınım modlarına ayıran ÇDGKA yöntemi kullanılarak, EMG sinyalinden daha anlamlı bilgi edinilmesi amaçlanmıştır. ÇDGKA tabanlı özniteliklerin farklı el ve parmak hareketlerini ayırt etme performansı ve farklı kuvvet seviyelerine karşı gösterdiği performans incelenmiştir. Bu amaçla ampute katılımcıların artık uzuvlarından toplanan düşük, orta ve yüksek kuvvet seviyelerine ait EMG sinyalleri üzerinde ÇDGKA yöntemi uygulanarak özgül kip fonksiyonları (ÖKF) elde edilmiştir. Elde edilen ÖKF’lerden çıkarılan öznitelikler kullanılarak altı farklı el ve parmak hareketi, en yakın komşu (k-NN), doğrusal ayrım analizi (LDA) ve destek vektör makinesi (SVM) sınıflandırıcıları kullanılarak sınıflandırılmıştır. Aynı kuvvet seviyesinde eğitilip test edilerek (Senaryo 1) ve tüm kuvvet seviyelerinde eğitilip tek bir kuvvet seviyesinde test edilerek (Senaryo 2) gerçekleştirilen sınıflandırmalar neticesinde, önerilen ÇDGKA tabanlı özniteliklerin ham sinyal tabanlı özniteliklere göre, senaryo 1 için %10 - %15, senaryo 2 için %18’e kadar üstünlük sağladığı belirlenmiştir.Article Citation - WoS: 22Citation - Scopus: 26Phasor Represented Emg Feature Extraction Against Varying Contraction Level of Prosthetic Control(Elsevier, 2020) Onay, Fatih; Mert, AhmetThis paper introduces phasor representation of electromyography (EMG) feature extraction (PRE). The well-known EMG signal analysis methods, namely root mean square (RMS), and waveform length (WL) are adopted into phasor form depending electrode placement. The values of these methods are computed from 8-channel EMG signals, and their magnitudes with respect to origin are used to construct phasor represented features in this study. The class separability of the PRE is strengthened by adding difference EMG and Euclidean distanced phasor in order to obtain improved feature set against force and electrode variations. The simulations (three schemes) are performed on publicly available EMG dataset on transradial amputees, and the results are presented in terms of accuracy and processing time considering the control strategies of a prosthetic hand. Linear (LDA), and quadratic (QDA) discriminant analysis, and knearest neighbor (k-NN) classifiers are trained, and tested by the PRE features. Our method outperforms previous accuracy rates in some cases, and reaches to accuracy results of the first study using this dataset without using any reduction method. In our simulations, accuracy rates up to 71.17% (PRE with QDA) for six classes hand movements with three force levels are obtained decreasing processing time by 81.83%. (C) 2020 Elsevier Ltd. All rights reserved.